1

17 

Loading....

Loading....

Loading....

Loading....

Loading....

Teks penuh

(1)

Online: http://journal.uny.ac.id/index.php/jpep

Jurnal Penelitian dan Evaluasi Pendidikan

PENGARUH UKURAN SAMPEL DAN INTRACLASS CORRELATION COEFFICIENTS (ICC) TERHADAP BIAS ESTIMASI PARAMETER

MULTILEVEL LATENT VARIABLE MODELING: STUDI DENGAN SIMULASI MONTE CARLO

Muhammad Dwirifqi Kharisma Putra1, Jahja Umar2, Bahrul Hayat3, Agung Priyo Utomo4 Magister Sains Psikologi UIN Syarif Hidayatullah Jakarta1, 2, 3

Sekolah Tinggi Ilmu Statistik4

muhammad.dwirifqi@gmail.com1, agung@stis.ac.id4

Abstrak

Studi ini menggunakan simulasi Monte Carlo dilakukan untuk melihat pengaruh ukuran sampel dan intraclass correlation coefficients (ICC) terhadap bias estimasi parameter multilevel latent variable modeling. Kondisi simulasi diciptakan dengan beberapa faktor yang ditetapkan yaitu lima kondisi ICC (0.05, 0.10, 0.15, 0.20, 0.25), jumlah kelompok (30, 50, 100 dan 150), jumlah observasi dalam kelompok (10, 20 dan 50) dan diestimasi menggunakan lima metode estimasi: ML, MLF, MLR, WLSMV dan BAYES. Jumlah kondisi keseluruhan sebanyak 300 kondisi dimana tiap kondisi direplikasi sebanyak 1000 kali dan dianalisis menggunakan software Mplus 7.4. Kriteria bias yang masih dapat diterima adalah < 10%. Hasil penelitian ini menunjukkan bahwa bias yang terjadi dipengaruhi oleh ukuran sampel dan ICC, penelitian ini juga menujukkan bahwa metode estimasi WLSMV dan BAYES berfungsi lebih baik pada berbagai kondisi dibandingkan dengan metode estimasi berbasis ML.

Kata kunci: multilevel latent variable modeling, intraclass correlation coefficients, Metode Markov Chain Monte Carlo

THE IMPACT OF SAMPLE SIZE AND INTRACLASS CORRELATION COEFFICIENTS (ICC) ON THE BIAS OF PARAMETER ESTIMATION IN MULTILEVEL LATENT VARIABLE MODELING: A MONTE CARLO STUDY

Muhammad Dwirifqi Kharisma Putra1, Jahja Umar2, Bahrul Hayat3, Agung Priyo Utomo4 Magister Sains Psikologi UIN Syarif Hidayatullah Jakarta1, 2, 3

Sekolah Tinggi Ilmu Statistik4

muhammad.dwirifqi@gmail.com1, agung@stis.ac.id4

Abstract

A monte carlo study was conducted to investigate the effect of sample size and intraclass correlation coefficients (ICC) on the bias of parameter estimates in multilevel latent variable modeling. The design factors included (ICC: 0.05, 0.10, 0.15, 0.20, 0.25), number of groups in between level model (NG: 30, 50, 100 and 150), cluster size (CS: 10, 20 and 50) to be estimated with five different estimator: ML, MLF, MLR, WLSMV and BAYES. Factors were interegated into 300 conditions (4 NG 3 CS 5 ICC 5 Estimator). For each condition, replications with convergence problems were exclude until at least 1.000 replications were generated and analyzed using Mplus 7.4, we also consider absolute percent bias <10% to represent an acceptable level of bias. We find that the degree of bias depends on sample size and ICC. We also show that WLSMV and BAYES estimator performed better than ML-based

estimator across varying sample sizes and ICC‟s conditions.

(2)

Pendahuluan

Dalam bidang penelitian sosial terka-dang diperoleh struktur data yang merupa-kan data hirarki (hierarchical). Data yang ter-struktur hirarki merupakan data yang timbul karena individu-individu terkumpul dalam kelompok-kelompoknya, dimana individu-individu dalam kelompok yang sama me-miliki karakteristik yang cenderung sama. Struktur hirarki mengindikasikan bahwa da-ta yang dianalisis berasal dari beberapa level, dimana level yang lebih rendah tersarang pada level yang lebih tinggi. Permodelan mul-tilevel umumnya digunakan pada data yang berstruktur hirarki (clustered, nested) (de Leeuw & Meijer, 2008; Kreft & de Leeuw, 1998; Raudenbush & Bryk, 2002). Ada dua masalah utama yang mungkin muncul aki-bat mengabaikan struktur hirarki. Pertama, jika analisis dilakukan dengan mengumpul-kan data unit level rendah ke unit level tinggi (aggregation), maka banyak informasi yang hi-lang dan analisis statistika menjadi kehihi-lang- kehilang-an kekuatkehilang-an. Kedua, apabila seorkehilang-ang peneli-ti peneli-tidak hapeneli-ti-hapeneli-ti dalam menginterpretasi ha-sil maka akan menimbulkan kesalahan se-perti menganalisis data pada salah satu level dan merumuskan kesimpulan pada level lain. (Kaplan, Kim & Kim, 2009; Muthén, 1994).

Metode analisis data pada umumnya menggunakan asumsi berupa penyederhana-an bahwa data ypenyederhana-ang telah diperoleh sebagai simple random sample dari suatu populasi tertentu. Ini melibatkan asumsi independently and identically distribured observartion (IID). Da-ta pendidikan banyak yang, bagaimanapun, diperoleh melalui, desain sampel yang kom-pleks, seperti multistage sampling yang melibat-kan pengamatan berbentuk cluster di mana asumsi IID tidak realistis. (Muthén, 1991). Multistage sampling digunakan ketika sampel diambil secara acak dari unit yang lebih tinggi dan disampel dari populasi yang lebih besar dari unit tersebut. Hasil pengambilan sampel menggunakan metode multistage sampling pada data hierarki yang terstruktur (misalnya, siswa berkumpul di dalam satu unit kelas), membuat residual bergantung pada variasi between-cluster. Skor pada varia-bel yang diamati dari anak-anak dalam satu

kelas mungkin lebih mirip daripada anak-anak di kelas yang berbeda, misalnya. Apa-bila mengabaikan struktur data hirarki dapat terjadi bias pada estimasi hubungan antar item (Geldhof, Preacher & Zyphur, 2014).

Selama bertahun-tahun, pemodelan multilevel telah mengalami perkembangan yang sangat pesat dan aplikasi untuk meng-klaim bahwa pemodelan multilevel sekarang tegas berlindung di berbagai metodologi un-tuk penelitian ilmu sosial dan perilaku. Sela-in itu, saat Sela-ini telah banyak dilakukan untuk mengintegrasikan model bertingkat dengan structural equation modeling (SEM) sehingga memberikan metodologi umum yang dapat menjelaskan masalah kesalahan pengukuran, mediasi, dan simultanitas. Hal ini berguna, karena itu, untuk memberikan gambaran ten-tang metodologi, memeriksa perkembang-an terbaru, dperkembang-an menawarkperkembang-an jalperkembang-an untuk upaya penelitian masa depan (Kaplan, Kim & Kim, 2009).

(3)

yang dibutuhkan adalah fungsi dari kedua jumlah unit level 1 dan jumlah unit level 2.

Dalam mendesain penelitian multi-level, peneliti harus memberi perhatian pada berbagai permasalahan terkait ukuran sam-pel dan bagaimana distribusi dari individu dalam unit yang akan diteliti (Heck & Thomas, 2015). Sejalan dengan pendapat tersebut, ukuran sampel yang cukup meru-pakan salah satu masalah yang paling pen-ting dalam pemodelan multilevel, Kondisi de-sain yang paling dasar seperti sejumlah ke-lompok pada setiap tingkat analisis dan ukurannya menentukan kemampuan untuk memperoleh hasil estimasi koefisien regresi yang unbiased serta standard errors dengan be-saran yang masih dapat diterima dan keku-atan tes (Łaszkiewicz, 2013; Snijders, 2005).

Selain itu, Busing (Łaszkiewicz, 2013) menemukan ukuran sampel yang tidak mencukupi (10 sampai 50 kelompok dengan 5 atau 10 orang) mungkin menjadi penye-bab yang membuat model menjadi tidak kon-vergen. Meskipun sifat asymptotic dari estimator pada model multilevel (seperti REML atau IGLS), penggunaan ukuran sam-pel yang lebih besar menjamin pengurangan bias, di tengah ketertarikan mengetahui ba-tas bawah dari sampel (Mass & Hox, 2005). Dengan demikian, ukuran sampel yang me-madai (cukup) bisa dianggap sebagai sampel minimum, yang menjamin unbiasedness (atau lebih tepatnya: ukuran bias yang masih bisa diterima).

Perbedaan pada estimasi parameter dengan metode single-level dan dibandingkan dengan metode clustering (model multilevel) bergantung pada beberapa aspek dari data. (Pornprasertmanit, Lee & Preacher, 2014). Dengan pengukuran konstruk tingkat cluster, berbagai langkah-langkah pengukuran digu-nakan untuk mengevaluasi apakah respon dari item menunjukkan besaran dari cluster-ing (pengelompokan) seperti yang diharap-kan pada konstruk tingkat cluster. Salah satu ukuran yang sering digunakan adalah ICC. (Shrout & Fleis, 1979 dalam Stapleton, Yang & Hancock, 2016).

ICC merupakan salah satu hal yang harus diperhitungkan karena hal ini

merupa-kan hal penting yang dapat merubah varians error pada model regresi linier sederhana (Kreft & de Leeuw, 1998). ICC merupakan faktor penting yang menjelaskan variabilitas keseluruhan yang dijelaskan oleh unit level 2 yang menjadi faktor penting dalam permo-delan multilevel (Julian, 2001; Pornprasert-manit, Lee & Preacher, 2014). Terdapat ke-terkaitan antara rendahnya ICC dan besarnya bias pada estimasi parameter pada model between-level (Preacher, Zhang & Zyphur, 2011) serta rendahnya ICC dan kaitannya dengan rendahnya tingkat konvergensi (Kim, Kwok & Yoon, 2012 dalam Hsu et. al., 2016). Metode estimasi dengan estimator maximum likelihood juga tidak dapat bekerja dengan baik saat nilai ICC rendah ataupun jumlah individu pada cluster dibawah 50 orang. (Hox & Mass, 2004 dalam Stapleton, Yang & Hancock, 2016). ICC nilainya ber-kisar dari 0 ke 1, nilai ICC yang tinggi me-nunjukkan proporsi varians yang lebih besar dari varians pada tingkat “antar” dan bias sehingga kemungkinan besar jika sifat data bertingkat tersebut tidak diperhitungkan. (Dyer, Hanges & Hall, 2005).

Untuk menjawab permasalahan terse-but, baik permasalahan terkait ukuran sam-pel dan juga permasalahan terkait besarnya ICC dapat dilakukan studi dengan simulasi data yang memungkinkan peneliti menja-wab pertanyaan-pertanyaan seputar masalah tersebut, salah satunya dengan mengguna-kan simulasi Monte Carlo. Terdapat beberapa penelitian yang menggunakan simulasi Mon-te Carlo pada analisis data multilevel seperti untuk menginvestigasi efek dari mengabai-kan clustering dari data serta berfokus pada ICC dan faktor penting lain sebagai penye-babnya (Pornprasertmanit, Lee & Preacher, 2014),

(4)

menye-lesaikan permasalahan modeling yang sulit ini, metode ini diperkenalkan pada bidang psikometri oleh Patz dan Junker tahun 1999 (Gelfand & Smith, 1990; Patz & Junker, 1999 dalam Feinberg & Rubright, 2016). Umumnya, studi menggunakan simulasi Monte Carlo yang digunakan pada bidang SEM untuk mempelajari sifat dari estimator dan uji statistik yang digunakan pada ber-bagai kondisi yang dimanipulasi oleh pene-liti, seperti ukuran sampel, besarnya kesalah-an spesifikasi model dkesalah-an tidak normalnya data (Brown, 2006). Sehingga dari latar belakang yang telah dijelaskan sebelumnya, akan diuji pengaruh ukuran sampel dan intraclass correlation coefficients (ICC) terhadap bias estimasi parameter multilevel latent vari-able modeling dengan menggunakan metode berbasis pendekatan Bayesian yaitu markov chain monte carlo (MCMC).

Para peneliti telah lama menyadari permasalahan ini, dalam bidang pendidikan telah terjadi perdebatan yang dimulai me-ngenai permasalahan ‘unit of analysis’ pada tingkat berbeda (Burstein, 1980). Sebelum permodelan multilevel berkembang dan men-jadi metode penelitian yang umum diguna-kan, permasalahan yang diakibatkan karena mengabaikan struktur hirarki dari data masih dapat diterima dan dimengerti karena sulit untuk menyeselaikan masalah tersebut karena perangkat lunak yang belum tersedia (Goldstein, 2011). Tetapi pada saat ini telah banyak metode yang dapat digunakan untuk mengatasi permasalahan terkait metode ana-lisis yang tepat untuk menganaana-lisis data de-ngan struktur hirarki yang akan dijelaskan pada bagian selanjutnya.

Konsep Dasar Multilevel Latent Variable Modeling

Untuk mengatasi keterbatasan yang terkait dengan pendekatan bermasalah untuk analisis data yang berstruktur hirarki, Para peneliti telah membuat analisis untuk ben-tuk data hirarkis yang memungkinkan unben-tuk pemodelan sesuai sistem organisasi seperti sekolah. Selain perkembangan statistik, ke-majuan perangkat lunak sekarang memung-kinkan estimasi relatif mudah untuk model

multilevel, dan pemodelan seperti sekarang umum dilakukan dalam ilmu-ilmu sosial dan perilaku (Kaplan, Kim & Kim, 2009). Ter-dapat pengembangan dari analisis multiple regression yang dikenal dengan multilevel mo-deling (MLM) yang juga dikenal dengan hie-rarchical linear modeling, random coefficient model-ing atau mixed effect modeling yang merupakan metode statistik berbasis regresi yang digu-nakan apabila data terstruktur hirarki atau dalam cluster (Kreft & de Leeuw, 1998; Raudenbush & Bryk, 2002) sedangkan pe-ngembangannya pada penggunan variabel laten didalamnya yaitu multilevel latent variabel modeling (MLLVM) yang perkembangannya dirangkum oleh berbagai literatur (misal, Kaplan, Kim & Kim, 2009). Pendekatan ini didasarkan pada metode SEM. Muthén & Satorra (1995) menjelaskan pendekatan SEM yang digunakan pada data yang berasal dari survei yang kompleks dapat berupa agregasi dan disagregasi. Pendekatan berbasis SEM ini juga dikenal dengan nama covariance struc-ture analysis yang menggunakan model mate-matika untuk menjelaskan matriks kovarians dari sekumpulan variabel dari faktor yang jumlahnya lebih sedikit dan dapat diperpan-jang untuk menganalisis struktur yang ada. (Heck & Thomas, 2015; Muthén, 1994). Pa-da penelitian ini multilevel latent variable model-ing yang dimaksud, dibatasi pada pengguna-an metode multilevel CFA yang diperkenal-kan oleh Muthén (1991, 1994).

Konsep Dasar Multilevel CFA

Stapleton, Yang & Hancock (2016) menjelaskan bahwa sebuah permasalahan muncul pada CFA apabila data dikumpul-kan dari individu dengan struktur hirarki ataupun nested. Pengukuran pada tingkat in-dividu diharapkan responnya relevan dengan hipotesis dari konstruk dan oleh karena itu skor pada pengukuran tersebut harus men-cerminkan variabilitas individu.

(5)

mean , bagian between-group νg dan bagian within-group uig. Sebagai berikut:

Matriks kovarians untuk vektor res-pon dapat ditulis sebagai yig:

di mana ΣT adalah matriks kovarians kese-luruhan populasi, Σb adalah matriks kova-rians populasi between-group, dan Σw adalah matriks kovarians populasi within-group. Jum-lah sampel dapat didefinisikan sebagai:

̅ ∑ ̅

̅ ∑ ∑ ̅

∑ ∑ ̅ ̅ ̅ ̅

∑ ̅ ̅ ̅ ̅

di mana ӯ.g adalah mean sampel untuk ke-lompok g, ӯ adalah grand mean, Sw adalah matriks kovarians sample pooled within group, dan Sb adalah matriks kovarians between groups. Seperti aplikasi standar regresi linier pada data yang didapat dari pengambilan sampel secara multistage, penerapan analisis faktorjugaharus memperhitungkan efek ber-sarang (nested). Misalnya, sekumpulan item skala sikap digunakan untuk menilai persep-si persep-siswa tentang iklim sekolah dan diberikan kepada siswa kemungkinan besar berlawan-an dengberlawan-an variabilitas berlawan-antara sekolah. Meng-abaikan variabilitas „antar-sekolah‟ pada se -jumlah siswa di sekolah-sekolah akan meng-hasilkan bias terhadap prediksi dalam para-meter model analisis faktor. Oleh karena itu, diperlukan untuk memperpanjang meto-dologi multilevel dengan kerangka analisis faktor. (Kaplan, Kim & Kim, 2009). Untuk memulai, kita asumsikan bahwa vektor dari respon siswa dapat dinyatakan dalam multi-level linear factor model sebagai berikut:

dimana yig sama seperti yang didefinisikan

sebelumnya, adalah grand mean, Λw adalah matriks muatan faktor untuk kelompok within, wig merupakan faktor yang bervari-asi secara acak di seluruh unit kelompok within, Λb adalah matriks muatan faktor ke-lompok between, bg merupakan faktor yang bervariasi acak di seluruh kelompok, ϵwig dan ϵbg merupakan within dan between group uniqueness. Menggunakan asumsi standar analisis faktor linear, di sini diperluas untuk kasus multilevel, matriks kovarians total dide-finisikan dalam Persamaan (2) dapat dinya-takan dalam hal model faktor parameter sebagai:

dimana Фwdan Фb adalah matriks kovarians faktor untuk within group dan between group dan Θwdan Θb adalah matriks diagonal dari unique variances untuk bagian within group dan between group. Secara umum, biasanya mudah untuk menentukan struktur faktor untuk variabel within school. Hal ini juga mudah un-tuk memungkinkan variabel within school ber-variasi between school. Kesulitan konseptual sering timbul untuk menjamin struktur fak-tor untuk menjelaskan variasi between groups (Kaplan, Kim & Kim, 2009). Sedangkan penelitian terbaru dari Geldhof, Preacher dan Zyphur (2014) menjelaskan bahwa MC-FA merupakan ekstensi dari CMC-FA yang dapat mengakomodir data two-level dan memung-kinkan estimasi secara terpisah dan analisis matriks kovarians within- dan between-cluster.

(6)

dapat dengan mudah dikembangkan untuk mengevaluasi model pada level yang terpisah dari model multilevel; (3) diagnosa pada mo-del SEM konvensional dari berbagai litera-tur akan dapat diaplikasikan dengan mudah untuk mengecek kesalahan spesifikasi dari model multilevel; (4) kesalahan spesifikasi pa-da salah satu level tidak mempengaruhi seca-ra sistematis evaluasi dari model pada level lainnya.

Secara singkat, model Multilevel Confir-matory Factor Analysis (MCFA) dijelaskan se-bagai kasus khusus dari model SEM menu-rut Muthén dan Asparouhov (2009) yang model ini dijelaskan oleh satu set dari tiga persamaan (notasi mereka):

di mana i dan kasus indeks k (unit level 1) dan cluster (unit level 2), masing-masing. Yik adalah vektor dari p variabel yang diukur; Λk

=Λ = [Ip 0pxm Ip 0pxm] adalah (p x (2p + 2m)) factor loading matrix yang menghubungkan Yik ke bagian laten p di kedua tingkat within- dan between-cluster dan m faktor umum pada

kedua tingkat; ik adalah vektor panjang (2p + 2m) mengandung p laten bagian within-cluster, m yaitu faktor umum within-cluster, p laten bagian between-cluster, dan m faktor umum between-cluster; k adalah vektor pan-jang (2p + 2m) yang berisi item intercepts p dan m faktor umum between-cluster; Bk adalah (2p + 2m) x (2p + 2m) matriks yang mengandung muatan faktor within-cluster; k (r x 1) terdiri dari koefisien acak subskrip k

dari k dan Bk, termasuk faktor umum between-cluster; (r x 1) berisi mean dari koefisien tersebut dan item intercepts (jika

diinginkan); (r x r) berisi muatan faktor

between-cluster; ik berisi unique factors dan faktor umum residu untuk model within-cluster; dan k (r x 1) mengandung unique factors dan faktor umum residu untuk model between-cluster. Akhirnya, ik ~ MVN (0, ψw),

dan k~ MVN (0, ψB).

Geldhof, Preacher & Zyphur (2014) mengemukakan bahwa, meskipun model da-sar MCFA dapat dijabarkan dalam berbagai

cara, pada penelitian ini akan dibatasi hanya pada model faktor tanpa kovariat, hanya item kontinu, dan tidak ada latent regression. Selain itu, dalam kondisi ini hanya dipertim-bangkan kasus di mana item intercepts dihi-langkan, muatan faktor tidak berbeda secara acak di tingkat cluster (Bk = B), dan struktur faktor configural identik di seluruh tingkatan. Penyederhanaan ini menghasilkan bentuk Persamaan 7 dan 8 yang dibatasi menjadi:

Intraclass Correlation Coefficients (ICC)

Terdapat dua jenis dari ICC yang da-pat dihitung: latent factor ICC dan observed variable ICC. (Hsu et al, 2016). Latent factor ICC merupakan hal yang lebih umum digunakan pada model multilevel CFA (Heck & Thomas, 2015; Muthen, 1994). dimana latent factor ICC dikomputasi dengan rumus:

Dimana B merupakan proporsi varians latent factor pada between-level dan W pada within-level. Namun perlu dicatat bahwa latent factor ICC hanya bisa dikomputasi saat struktur dari model sama pada between dan within-level (misal, asumsi struktur model identik) se-hingga dapat dilakukan manipulasi terhadap besarnya latent factor ICC dengan cara me-netapkan besaran varians faktor pada within level sebagai konstan dan mengubah-ubah besarnya varians faktor pada between level. (Hsu et al., 2016). Sedangkan ICC jenis kedua yaitu observed variable ICC dapat dikomputasi dengan rumus:

Dimana b = (muatan faktor between-level)2 × varians faktor between-level + varians residual between-level dan w = (muatan faktor within-level)2 × varians faktor

within-level + varians residual within-level. (Hsu et al., 2016).

Bias Estimasi

(7)

apabi-la niapabi-lai yang diperoleh dari data sampel yang secara konsisten underestimate atau overestimate dari nilai sebenarnya dalam populasi ber-jumlah besar yang diteliti. Dengan kata lain, sebuah estimator dikatakan bias ketika rata-rata nilainya berbeda dari nilai parameter yang dimaksudkan untuk mewakili nilai yang sebenarnya. Hal ini disebut juga seba-gai bias statistik. Marsh, Hau & Greyson (2005) menjelaskan bila nilai yang diharap-kan dari statistik yang dilakudiharap-kan pada sam-pel bervariasi secara sistematis dengan jum-lah N, maka statistik yang dihasilkan akan menghasilkan bias dari parameter populasi sebenarnya.

Hal ini sejalan dengan penelitian se-belumnya (misalnya, Muthén, Kaplan & Hollis, 1987), yang juga mempertimbangkan ukuran mutlak presentase bias < 10% untuk mewakili tingkat bias yang dapat diterima. Karena estimasi parameter pada penelitian ini tidak diantisipasi akan terdistribusi secara normal, estimasi parameter median di setiap kondisi yang lebih baik dijadikan ukuran pemusatan statistik daripada mean estimasi parameter. Oleh karena itu bias dalam seti-ap kondisi dihitung sebagai ([estimasi medi-an - parameter] / parameter) x 100. (Geldhof, Preacher & Zyphur, 2014). Dalam penelitian lainnya, Cai (2010b) menggunakan dua ukuran keakuratan dari estimasi parameter yaitu bias estimasi dan root mean squared error (RMSE), dimana pada

sebuah parameter , bias estimasi didefinisi -kan sebagai M-1 ∑ ̂

, dimana M

merupakan jumlah replikasi Monte Carlo keseluruhan dan ̂i adalah MLE dari ̂pada replikasi ke i. Sedangkan RMSE dirumuskan

menjadi √ ∑ ̂

2. Tetapi, dalam kondisi dimana terdapat bias sistematis yang besar, RMSE menjadi tidak informatif sebagai ukuran dari efisiensi karena akan didominasi oleh bias. (Preacher, Zhang & Zyphur, 2011).

Metode Penelitian

Penelitian ini menggunakan metode Markov Chain Monte Carlo (MCMC) yang berdasar pada pendekatan Bayesian. Metode

Monte Carlo merupakan penelitian dengan teknik simulasi di mana sampel dengan jum-lah besar dan sifat tertentu yang ditentukan (misalnya, normalitas, ukuran, jenis model) dihasilkan oleh komputer untuk menilai penggunaan prosedur statistik atau parame-ter dalam berbagai kondisi. Sebagai contoh, seorang peneliti mungkin melakukan peneli-tian dengan metode MonteCarlo dengan sam-pel berjumlah besar yang terdistribusi nor-mal dari berbagai ukuran sampel (misalnya, N = 50, 100, 200, 400, 800) di mana model struktural diterapkan untuk menggambarkan data. Hasil penelitian akan membantu pene-liti menentukan kondisi di mana model ber-fungsi dengan benar (yaitu, sesuai dengan data) serta menunjukkan batas-batasnya (misalnya, tidak cocok dengan baik dengan sampel ukuran kurang dari 200). (American Psychological Association, 2015). Selanjutnya akan dijelaskan mengenai model populasi yang digunakan sebagai acuan proses pem-bangkitan data dan juga desain simulasi yang ditetapkan. Hal ini sebenarnya merupakan konsep-konsep terkait dasar-dasar pendekat-an Bayesipendekat-an seperti distribusi prior, posterior dan kaitannya dengan fungsi likelihood, na-mun penjelasannya tidak dijabarkan dengan rinci untuk memudahkan pelaporan. Penje-lasan lengkap dapat dilihat pada berbagai literatur yang tersedia (misal, van De Schoot et al., 2014).

Model populasi yang digunakan pada penelitian ini merupakan model yang di-ambil dari penelitian Muthén (1994) yang berisi delapan indikator yang masing-masing

diwakili satu faktor yaitu B pada between level

(8)

struk-tur faktor yang identik baik pada between-level maupun within-level, sehingga latent factor ICC dapat digunakan dalam penelitian ini karena struktur faktor yang identik tersebut. Ber-dasakan model ini, spesifikasi parameter be-bas yang akan diestimasi dibagi menjadi dua bagian yaitu between-level dan within level. Spe-sifikasi parameter bebas pada within-level se-banyak 8 lambda, 8 theta. Sedangkan spesifi-kasi parameter bebas pada between-level yaitu: 8 nu, 8 lambda dan 8 theta. Sehingga keselu-ruhan berjumlah 40 parameter bebas yang akan diestimasi Adapun parameter bebas pada between-level dan within-level untuk mela-kukan simulasi data ditetapkan terlebih da-hulu dimana hal utama yang ditetapkan ada-lah muatan faktor maupun varians residual yang digunakan sebagai starting values bagi estimasi parameter bebas yang dipaparkan pada Tabel 1.

Tabel 1. Muatan Faktor Model Populasi

Item Muatan Faktor Varians Residual

Between Within Between Within

Y1 0,97 0,52 0,05 0,72

Berdasarkan informasi pada Tabel 1, untuk menciptakan kondisi ICC yang ber-beda-beda, varians pada faktor between-level ditetapkan nilainya menjadi antara 0.06 sam-pai 0.26 sehingga menghasilkan kondisi ICC yang diinginkan yaitu 0.05, 0.10, 0.15, 0.20 dan 0.25 sebagai model awal yang diguna-kan untuk proses pembangkitan data untuk studi dengan simulasi data. Model ini me-rupakan model yang menjadi distribusi yang akan diuji pada berbagai kondisi yang dicip-takan, adapun kondisi yang dimaksud, akan dijelaskan pada bagian selanjutnya.

Karena penelitian ini menggunakan metode simulasi data, maka harus ditetap-kan terlebih dahulu kondisi simulasi data un-tuk melihat hasil dari simulasi berdasarkan kondisi yang berbeda-beda, kondisi yang

ditetapkan harus ditetapkan berdasarkan ca-ra yang tersedia maupun dengan kriteria ter-tentu untuk dapat diaplikasikan, meskipun hal ini sebenarnya menjadi kritik dari aliran klasik.Adapunkondisi yang ditetapkan seba-gai desain simulasi pada penelitian ini yaitu: 1. Jumlah Cluster

30, 50, 100 dan 150

2. Jumlah Observasi Pada Cluster 10, 20 dan 50

3. Intraclass Correlation Coeffcients (ICC) 0.05, 0.10, 0.15, 0.20 dan 0.25 4. Metode Estimasi

Estimator yang digunakan pada penelitian ini adalah ML, MLF, MLR, WLSMV dan BAYES.

Dengan kondisi simulasi yang ditetap-kan 4 3 5 5 akan menghasilkan kon-disi sebanyak 300 yang masing-masing akan direplikasi sebanyak 1000 kali. Penentuan kondisi ini juga diikuti dengan observasi maupun komparasi dengan keadaan pada kondisi nyata dimana kondisi-kondisi terse-but umum digunakan pada aplikasinya de-ngan data yang didapat dari lapade-ngan. Hal ini dilakukan agar hasil yang didapat dari penelitian ini yang dilakukan menggunakan studi dengan simulasi dapat diperbanding-kan ataupun dikaitdiperbanding-kan dengan pengaplikasi-annya yang telah umum dilakukan.

Hasil Penelitian

Akan dipaparkan pengelompokan ha-sil estimasi yang menunjukkan besaran bias pada masing-masing kondisi ICC yaitu 0.05, 0.10, 0.15, 0.20 dan 0.25 yang membanding-kan lima metode estimasi yaitu ML ( maxi-mum likelihood), MLF (full information maxi-mum likelihood), MLR (maximum likelihood robust), WLSMV (robust weighted least square) dan BAYES (Bayesian estimation). Adapun pengelompokannya dijelaskan masing-ma-sing pada grafik yang akan ditampilkan.

(9)

in-formasi mengenai besaran bias yang terjadi pada kondisi ICC ini, adapun grafik yang dimaksud berada pada Gambar 1.

Berdasarkan grafik pada Gambar 1, dengan kondisi ICC sebesar 0.05 terlihat bahwa metode estimasi ML dan MLR mem-berikan hasil estimasi yang bias pada kondisi sampel 30/10, 30/20, 30/50 dan 50/50.

Sedangkan pada kondisi sampel lain-nya tidak terjadi bias yang melebihi batas yang telah ditetapkan. Lalu, dengan metode estimasi BAYES dan WLSMV hasil estimasi parameter yang diberikan berbeda dengan ML & MLR pada kondisi sampel yang sama dimana metode estimasi BAYES dan

WLS-MV memberikan hasil estimasi yang lebih baik dan tidak bias pada kondisi ukuran sampel manapun. Sedangkan metode esti-masi MLF tidak berfungsi pada kondisi sam-pel 30/10, 30/20 dan 30/50 dimana meski-pun metode estimasi ini sama-sama berbasis maximum likelihood seperti ML dan MLR te-tapi proses kalkulasi yang berbeda meng-anggap bahwa kondisi ukuran sampel terse-but tidak memenuhi syarat untuk melaku-kan estimasi parameter. Namun pada kon-disi sampel yang lain, metode estimasi MLF dapat digunakan dan memberikan hasil yang sama dengan ML ataupun MLR.

Gambar 1. Bias pada Kondisi dengan ICC 0.05

(10)

Berdasarkan grafik di Gambar 2, dengan kondisi ICC sebesar 0.10 terlihat bahwa metode estimasi ML dan MLR memberikan hasil estimasi yang bias pada kondisi sampel 30/10, 30/20 dan 30/50. Sedangkan pada kondisi sampel lainnya tidak terjadi bias yang melebihi batas yang telah ditetapkan. Lalu, dengan metode estimasi BAYES dan WLSMV hasil estimasi yang diberikan berbeda dengan ML & MLR pada kondisi sampel yang sama dimana metode estimasi BAYES dan WLSMV memberikan hasil estimasi yang lebih baik dan tidak bias melebihi kriteria yang ditetapkan pada kondisi ukuran sampel manapun. Sedangkan metode estimasi MLF tidak berfungsi pada kondisi sampel 30/10, 30/20 dan 30/50 dimana meskipun metode estimasi ini sama-sama berbasis maximum likelihood seperti ML dan MLR tetapi proses kalkulasi yang berbeda menganggap bahwa kondisi dengan ukuran sampel tersebut tidak memenuhi syarat untuk melakukan estimasi parameter. Namun pada kondisi sampel yang lain, metode estimasi MLF da-pat digunakan dan memberikan hasil yang sama dengan ML ataupun MLR.

Berdasarkan grafik pada Gambar 3, secara keseluruhan pada kondisi ICC 0.15 pada seluruh kondisi ukuran sampel tidak terjadi bias yang melebihi batas yang

dite-tapkan yaitu > 10%. Berdasarkan arah dari bias meskipun sangat kecil, pada metode estimasi ML, MLR, WLSMV bias yang ter-jadi arahnya negatif dan pada metode esti-masi BAYES arahnya positif dan lebih be-sar dibandingkan metode yang berbasis maximum likelihood. Tetapi terdapat pengecu-alian dimana MLF tidak dapat berfungsi dengan baik pada kondisi sampel yang tidak memenuhi syarat. Terdapat kesamaan pola dimana semakin besar jumlah sampel maka semakin rendah bias yang terjadi seperti dapat dilihat pada gambar 3.

Berdasarkan grafik di Gambar 4, secara keseluruhan pada kondisi ICC 0.20 pada seluruh kondisi ukuran sampel tidak terjadi bias yang melebihi batas yang dite-tapkan yaitu > 10%. Berdasarkan arah dari bias meskipun sangat kecil, pada metode estimasi ML, MLR, WLSMV bias yang ter-jadi arahnya negatif dan pada metode esti-masi BAYES arahnya positif dan lebih be-sar dibandingkan metode yang berbasis maximum likelihood. Tetapi terdapat pengecu-alian dimana MLF tidak dapat berfungsi dengan baik pada kondisi sampel yang tidak memenuhi syarat. Terdapat kesamaan pola dimana semakin besar jumlah sampel maka semakin rendah bias yang terjadi seperti dapat dilihat pada grafik sebelumnya.

(11)

Gambar 4. Bias pada Kondisi dengan ICC 0.20

Gambar 5. Bias pada Kondisi dengan ICC 0.25

Berdasarkan grafik di Gambar 5, se-cara keseluruhan pada kondisi ICC 0.25 pa-da seluruh kondisi ukuran sampel tipa-dak ter-jadi bias yang melebihi batas yang ditetap-kan yaitu > 10%. Berdasarditetap-kan arah dari bias meskipun sangat kecil, pada metode esti-masi ML, MLR, WLSMV bias yang terjadi arahnya negatif dan pada metode estimasi BAYES arahnya positif dan lebih besar di-bandingkan metode yang berbasis maximum likelihood. Terdapat kesamaan pola dimana semakin besar ukuran sampel maka semakin rendah bias yang terjadi seperti dapat dilihat pada grafik sebelumnya.

(12)

estim-asi pada kondisi data yang tidak ideal yaitu berupa ukuran sampel kecil ataupun ICC yang rendah. Metode estimasi BAYES juga membutuhkan waktu komputasi yang lebih panjang dibanding metode estimasi ML, MLF, MLR & WLSMV. Kelima metode ini merupakanmetodeyangmemiliki dasar yang berbeda satu sama lain sehingga memiliki kelebihan dan kekurangan masing-masing, tetapi secara keseluruhan kelima metode ini merupakan metode estimasi yang baik untuk digunakan dalam mengestimasi parameter data berstruktur multilevel. Selanjutnya, untuk melakukan perbandingan hasil yang didapat dari penelitian ini dengan penelitian sebe-lumnya yang relevan, akan dijelaskan lebih lanjut pada bagian selanjutnya pada subbab diskusi.

Pembahasan

Berdasarkan hasil analisis data yang dilakukan, penelitian ini menunjukkan bah-wa terdapat berbagai temuan yang menarik pada analisis data yang berstruktur hirarki. Analisis data multilevel adalah topik yang kompleks karena mengacu pada kontribusi dari berbagai bidang metodologi penelitian. Dua perspektif dapat membedakan, yaitu pengambilan sampel dan parameter yang berbeda-beda. Dari perspektif sampling, data yang bertingkat dapat dilihat seperti yang di-peroleh dengan cluster sampling. Analisis per-lu untuk menentukan variasi stokastik yang mencerminkan skema sampling, seperti mem-buat model yang terurai dari variasi kelom-pok (cluster) dan komponen individu. (Muthén, 1994).

Hasil pengambilan sampel mengguna-kan metode multistage sampling pada data hie-rarki yang terstruktur (misalnya, siswa ber-kumpul di dalam satu unit kelas), membuat residual bergantung pada variasi between-cluster. Skor pada variabel yang diamati dari anak-anak dalam satu kelas mungkin lebih mirip daripada anak-anak di kelas yang ber-beda, misalnya. Apabila mengabaikan struk-tur data hirarkis dapat terjadi bias pada esti-masi hubungan antar item. (Geldhof, Preacher & Zyphur, 2014), ICC bersamaan dengan ukuran sampel dan juga informasi

jumlah individu dalam cluster merupakan informasi yang penting dalam permodelan multilevel (Stapleton, Yang & Hancock, 2016). Penelitian tersebut menunjukkan bah-wa ICC merupakan faktor penting yang per-lu diperhatikan dalam menganalisis data mul-tilevel, dimana hasil dari penelitian ini menun-jukkan bahwa kondisi ICC berpengaruh ter-hadap bias estimasi parameter data multilevel. Terdapat temuan yang menarik pada kondisi ICC 0.05 dimana apabila dilakukan perbandingan pada dua kondisi sampel yaitu 50/20 dan 100/10 yang sama-sama sebesar 1000 observasi terjadi bias pada kondisi 50/20 sebesar -9.46 tetapi biasnya menurun pada kondisi 100/10 yaitu sebesar -8.66, hal ini menunjukkan bahwa struktur dari sam-pel mempengaruhi bias dimana jumlah clust-er yang lebih besar membuat estimasi para-meter data multilevel menjadi lebih baik di-banding cluster yang lebih sedikit. Hal ini sejalan dengan pendapat Cronbach (1976, dalam Muthén, 1991) yaitu jika terbentur permasalahan, mungkin lebih baik menga-mati siswa per kelas yang lebih sedikit untuk membantu menambah kelas yang lebih ba-nyak dimana kelas sebagai cluster yang jum-lahnya lebih banyak akan memberikan hasil estimasi yang terbukti lebih baik dan tidak bias. Besaran bias yang terjadi pada kondisi dengan sampel kecil seperti 30/10, 30/20 & 30/50 pada metode estimasi MLR menun-jukkan bahwa MLR tidak berfungsi dengan baik apabila ICC kecil dan juga jumlah indi-vidu dalam cluster lebih kecil dari 50 sesuai dengan hasil penelitian terdahulu. (Hox & Mass, 2004, dalam Stapleton, Yang & Hancock, 2016).

(13)

Cronbach (1976, dalam Muthen, 1991) yang berpendapat bahwa hal yang penting bukan jumlah yang besar pada pengamatan per unit namun jumlah besar kelompok tampaknya lebih penting untuk mendapatkan estimasi yang akurat.

Temuan ini juga membuktikan kesim-pulan yang diambil dari penelitian sebelum-nya oleh Preacher, Zhang & Zyphur (2011) yaitu semakin meningkatnya jumlah grup, ukuran cluster dan ICC yang berada dalam batas menunjukkan hasil yang baik pada penggunaan metode MSEM terkhusus pada bias yang terjadi dengan metode estimasi MLR. Hal ini sejalan dengan penelitian se-belumnya yang menyatakan bahwa jika jum-lah cluster besar dan ICC bernilai setidaknya 0.10, MSEM merupakan metode yang paling efisien seiring bertambahnya jumlah cluster dan metode ini memberikan estimasi yang lebih efisien dibandingkan penggunaan nilai rata-rata dari kelompok apabila ukuran ke-lompok yang besar digunakan (Lüdtke, Marsh, Robitzsch, Trautwein, Asparouhov, & Muthén, 2008).

Pada kondisi dengan ukuran sampel kecil sebesar 30/10, 30/20, 30/50 dan 50/ 50 metode estimasi MLR memberikan hasil estimasi yang bias, hal ini sejalan dengan pe-nelitian terdahulu yang menyatakan bahwa dengan ukuran sampel yang kecil, metode ML menghasilkan estimasi yang bias (Morris, 1995 dalam Heck & Thomas, 2015). Lebih lanjut, untuk mengatasi perma-salahan ukuran sampel yang kecil, metode estimasi Bayesian merupakan pendekatan alternatif yang dapat digunakan (Heck & Thomas, 2015) yang pada penelitian ini ter-bukti bahwa dalam kondisi ukuran sampel kecil, metode estimasi Bayesian memberikan hasil estimasi yang lebih baik dari MLR de-ngan ukuran bias yang masih dapat diteri-ma. Temuan ini juga membuktikan hasil pe-ne-litian sebelumnya yang menyatakan bah-wa pada kondisi data yang tidak ideal, meto-de estimasi BAYES dapat bekerja meto-dengan baik (Lindley & Smith, 1972; Smith, 1973; Morris, 1995; dalam Heck & Thomas, 2015). Metode estimasi BAYES juga memberikan keuntungan dimana model multilevel SEM

sulit diestimasi dengan metode estimasi berbasis ML karena membutuhkan jumlah integrasi yang banyak, sehingga metode esti-masi BAYES sangat baik untuk digunakan (Asparouhov & Muthen, 2014).

Pada kondisi ukuran sampel yang lain selain ukuran sampel 30/10, 30/20, 30/50 dan 50/50 metode estimasi ML, MLF, MLR terbukti konsisten, unbiased dan efisien di-mana hasil penelitian ini menunjukkan bah-wa semakin besar ukuran cluster dalam kon-disi ICC lebih besar dari 0.05, maka sema-kin kecil bias yang terjadi pada estimasi pa-rameter data multilevel. Sedangkan metode estimasi BAYES memberikan hasil yang berbeda, dimana metode ini membutuhkan waktu komputasi yang lebih lama dibanding-kan penggunaan metode estimasi MLR.

Penelitian ini juga menjawab perma-salahan yang terkait dengan penggunaan metode estimasi MLF dimana seharusnya metode berbasis maximum likelihood seperti ML, MLF dan MLRmenghasilkan hasil yang sama, tetapi pada penelitian ini terdapat te-muan bahwa pada beberapa kondisi ukuran sampel dan ICC tertentu MLF tidak dapat berfungsi. Hal ini terjadi karena menurut penelitian terdahulu, bagaimanapun untuk ukuran sampel yang kecil/menengah MLF akan mengalami overestimate pada standard error-nya. Hal ini biasanya terjadi pada kasus dimana perbandingan antara jumlah unit independen (observasi pada model satu level atau cluster pada model multilevel) dan jumlah parameter kurang dari 10. (Asparouhov & Muthen, 2012). Dalam penelitian ini terda-pat gambaran jumlah ukuran sampel yang pasti dimana MLF tidak dapat berfungsi yaitu ukuran sampel 30/10, 30/20 dan 30/ 50. Sehingga pada penelitian mendatang un-tuk melakukan analisis MLLVM tidak disa-rankan untuk menggunakan metode estima-si MLF pada ukuran sampel tersebut.

(14)

tersedia. Hal ini sejalan dengan penelitian yang menunjukkan bahwa WLSMV mengha-silkanestimasiyanglebihbaikdibandingkan estimator berbasis ML pada seluruh kondisi sampel (Beauducel & Herzberg, 2006).

Sejalan dengan pendapat yang dike-mukan Meuleman & Billiet (2009) studi ini menggambarkan penggunaan studi dengan simulasi Monte Carlo yang berperan baik da-lam menggambarkan akurasi dari estimasi yang dilakukan. Tetapi pendekatan Bayesian yang banyak menawarkan keuntungan da-lam penggunaannya pada ukuran data yang kecil perlu diperhatikan bahwa efisiensi dari estimasi bergantung pada informasi yang tersedia sebagai prior dari parameter, tanpa informasi ini, estimasi yang dilakukan tidak akan memberikan hasil yang lebih baik di-bandingkan metode estimasi lain dan bah-kan dapat menghasilbah-kan hasil yang lebih bu-ruk (Heck & Thomas, 2015).

Terdapat berbagai keterbatasan dari penggunaan metode MSEM seperti perma-salahan tentang konvergensi dan waktu komputasi, tetapi metode estimasi tingkat advance dan kekuatan alat untuk melakukan komputasi akan menyelesaikan permasalah-an ini karena kompleksitas dari model atau-pun desain dari penelitian yang berkembang akan terus memaksa untuk melakukan pe-ngembangan pada prkateknya dimana para peneliti akan bereksperimen mengenai mo-del-model yang akan di estimasi tetapi tetap berpegang pada bagaimana penelitian terse-but mungkin dilakukan dalam prakteknya. (Preacher, Zhang & Zyphur, 2016). Studi dengan simulasi data menggunakan metode MCMC menjawab persoalan untuk bagai-mana efisien dan komputasi berdasar pada algoritma dengan bantuan komputer. (Cai, 2010b). Tetapi, tidak dapat dipungkiri juga apabila waktu yang dibutuhkan dalam proses komputasi Bayesian meningkat karena teknik dengan iterative sampling digunakan. (Van de Schoot, Kaplan, Denissen, Asendorpf, Neyer & Aken, 2014).

Hasil penelitian ini sejalan dengan pe-nelitian Muthen & Asparouhov (2012) yang memperkenalkan aplikasi pendekatanBayesian dalam penggunaannya pada SEM yang

ber-nama BSEM yang merupakan metode yang mudah dan cepat untuk menganalisis keter-kaitan antara loading dimana pengaplikasian metode estimasi Bayes pada penelitian ini menghasilkan estimasi yang baik pada kon-disiICC danjuga ukuransampel manapun. Namun, terdapat kelemahan yang sama se-perti penelitian tersebut dimana analisis yang melibatkan kovarians residual menyebabkan komputasi yang sangat sulit karena konver-gensi dari MCMC akan menjadi lambat.

Penelitian ini memberikan contoh ba-gaimana hipotesis yang dibuat dari distribusi prior informatif yang diuji dengan pendekat-an Bayesian sejalan dengan penelitian sebe-lumnya yang menjelaskan bahwa hipotesis pada pendekatan klasik dan hipotesis infor-matif merupakan hal yang berbeda. bukan hanya dari bagaimana hipotesis tersebut di-rumuskan namun juga bagaimana hipotesis tersebut dievaluasi. Hipotesis nol pada pen-dekatan klasik dapat dievaluasi mengguna-kan p-value sedangkan hipotesis informatif dapat dievaluasi menggunakan seleksi mau-del Bayesian, hasil utama dari seleksi model Bayesian adalah distribusi posterior (Hoijtink, Klugkist & Boelen, 2008). Tetapi pendekat-an ini dikritik karena mengasumsikpendekat-an bahwa setiap parameter memiliki distribusi pada populasi, bahkan termasuk kovarians dima-na aliran frequentisttidaksetuju dengan asum-si ini karena mereka berasumasum-si bahwa pada populasi hanya ada satu nilai tetap dari pa-rameter (Van de Schoot, Kaplan, Denissen, Asendorpf, Neyer & Aken, 2014).

Simpulan

Berdasarkan hasil penelitian dan pem-bahasan, dapat disampaikan simpulan seba-gai berikut. Hasil penelitian ini menunjuk-kan bahwa bias yang terjadi dipengaruhi oleh ukuran sampel dan ICC, penelitian ini juga menujukkan bahwa metode estimasi WLSMV dan BAYES berfungsi lebih baik pada berbagai kondisi dibandingkan dengan metode estimasi berbasis ML.

Daftar Pustaka

(15)

ed.). Washington, DC: American Psychological Association

Asparouhov, T., & Muthén, B. O. (2003). Full-information maximum-likelihood estimation of general two-level latent variable models with missing data. Mplus Working Paper. Los Angeles, CA: Muthén & Muthén, Inc

Asparouhov, T., & Muthén, B. O. (2012). Saddle points. Mplus Working Paper. Los Angeles, CA: Muthén & Muthén, Inc

Asparouhov, T., & Muthén, B. O. (2014). General random effect latent variable modeling: Random subjects, items, contexts, and parameters. Mplus Working Paper. Los Angeles, CA: Muthén & Muthén, Inc

Beauducel, A. & Herzberg, P. Y. (2006) On the Performance of Maximum

Likelihood Versus Means and Variance Adjusted Weighted Least Squares Estimation in CFA, Structural Equation Modeling: A Multidisciplinary Journal, 13(2), 186-203

Brown, T. A. (2006). Confirmatory factor analysis for applied research. New York, NY: Guilford Press.

Burstein, L. (1980). The analysis of

multilevel data in educational research and evaluation. Review of research in education, 8(1), 158-233

Cai, L. (2010b). Metropolis-hastings robbins-monro algorithm for confirmatory item factor analysis. Journal of Educational and Behavioral Statistics, 35(3), 307-335

de Leeuw, J. & Meijer, E. (2008), Handbook of multilevel analysis. New York, NY: Springer.

Dyer, N. G., Hanges, P. J., Hall, R. J. (2005). Applying multilevel confirmatory factor analysis

techniques to the study of leadership. The Leadership Quarterly. 16, 149–167

Feinberg, R. A. & Rubright, J. D. (2016).

Conducting simulation studies in psychometrics. Educational Measurement: Issues and Practice, 35(2), 36-49

Geldhof, G. J., Preacher, K. J., Zyphur, M. J. (2014). Reliability estimation in a multilevel confirmatory factor analysis framework. Psychological Methods, 19(1), 72–91

Goldstein, H. (2011). Multilevel Statistical Models (4th ed.). London: Wiley.

Hayes, A. F. (2006). A primer on multilevel modeling. Human communication research, 32, 385–410

Heck, R. H., & Thomas, S. L. (2015). An introduction to multilevel modeling techniques (3rd ed.). New York, NY: Routledge.

Hoijtink, H., Klugkist, I., & Boelen, P. A. (2008). Bayesian evaluation of informative hypotheses. New York, NY: Springer

Hsu, H., Lin, J., Kwok, O., Acosta, S., & Willson, V. (2016). The impact of intraclass correlation on the effectiveness of level-specific fit indices in multilevel structural equation modeling: a monte carlo study. Eduactional and Psychological Measurement, 1-27

Julian, M. (2001). The consequences of ignoring multilevel data structures in nonhierarchical covariance modeling. Structural Equation Modeling, 8, 325–352.

Kaplan, D., Kim, J. S., and Kim, S. Y. (2009). Multilevel latent variable modeling: current research and recent developments. in r. e. millsap & a. maydeu-olivares (Eds.), The SAGE Handbook of Quantitative Methods in Psychology (pp. 592-613). Thousand Oaks, CA: Sage

Kreft, I., & de Leeuw, J. (1998). Introducing multilevel modeling. Thousand Oaks, CA: Sage.

Łaszkiewicz, E. (2013). Sample size and

(16)

economics, 14(2), 19-28

Lüdtke, O., Marsh, H. W., Robitzsch, A., Trautwein, U., Asparouhov, T., & Muthén, B. (2008). The multilevel latent covariate model: A new, more reliable approach to group-level effects in contextual studies. Psychological Methods, 13, 203-229

Marsh, H. W., Hau, K-T & Grayson, D. (2005). Goodness of Fit Evaluation in Structural Equation Modeling. In A. Maydeu-Olivares & J. McArdle (Eds.), Contemporary Psychometrics. A Festschrift for Roderick P. McDonald (pp. 275-340). Mahwah NJ: Erlbaum.

Mass, C. J. M. & Hox, J. J. (2005). Sufficient sample sizes for multilevel modeling. Methodology, 1(3), 86-92

Meuleman, B., & Billiet, J. (2009). A Monte Carlo sample size study: How many countries are needed for accurate multilevel SEM?. Survey Research Methods, 3, 45–58.

Muthèn, B. O. (1984). A general structural equation model with dichotomous, ordered categorical, and continuous latent variable indicators, Psychometrika, 49, 115–132.

Muthèn, B. O. (1989). Latent variable modeling in heterogenous populations, Psychometrika, 54, 557–585.

Muthén, B. O. (1991). Multilevel factor analysis of class and student

achievement components. Journal of Educational Measurement, 28(4), 338-354

Muthén, B. O. (1994). Multilevel covariance structure analysis, Sociological Methods & Research, 22, 376

Muthén, B. O. (1997). Latent variable modeling of longitudinal and

multilevel data, Sociological Methodology, 27, 453-480

Muthén, B. O., & Asparouhov, T. (2009). Growth mixture modeling: analysis with non-Gaussian random effects. In G. Fitzmaurice, M. Davidian, G.

Verbeke, & G. Molenberghs (Eds.), Longitudinal dataanalysis. Boca Raton, FL: Chapman & Hall/CRC Press.

Muthén, B. O., & Asparouhov, T. (2011). Beyond multilevel regression

modeling: Multilevel analysis in a general latent variable framework. In J. Hox & J. K. Roberts (Eds.), Handbook of advanced multilevel analysis. New York, NY: Taylor & Francis.

Muthén, B. O., & Asparouhov, T. (2012). Bayesian structural equation modeling: a more flexible representation of substantive theory. Psychological Methods, 17(3), 313-335

Muthén, B. O., Kaplan, D., & Hollis, M. (1987). On structural equation modeling with data that are not missing completely at random. Psychometrika,52, 431–462.

Muthén, L. K., & Muthén, B. O. (1998– 2015). Mplus user’s guide: Statistical analysis with latent variables (7th ed.). Los Angeles, CA: Muthén & Muthén.

Muthén, B. O. & Satorra, A. (1995). Complex sample data in structural equation modeling. Sociological Methodology, 25, 267-316.

Pornprasertmanit, S., Lee, J., & Preacher, K. J. (2014). Ignoring clustering in

confirmatory factor analysis: some consequences for model fit and standardized parameter estimates. Multivariate Behavioral Research, 49, 518-543

Preacher, K. J., Zhang, Z., & Zyphur, M. J. (2011). Alternative methods for assessing mediation in multilevel data: The advantages of multilevel sem. Structural Equation Modeling, 18, 161-182

(17)

Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models: applications and data analysis methods (2nd ed.).

Thousand Oaks, CA:Sage.

Snijders, T. A. B. (2005). Power and Sample Size in Multilevel Linear Models. In: B. S. Everitt and D.C. Howell (eds.), Encyclopedia of Statistics in Behavioral Science. Volume 3, 1570–1573. Chicester, UK: Wiley.

Stapleton, L. M., Yang, J. S., & Hancock, G. R. (2016). Construct meaning in multilevel settings. Journal of Educational

and Behavioral Statistics, 20 (10), 1-40

van de Schoot, R., Kaplan, D., Denissen, J., Asendorpf, J. B., Neyer, F. J., & Van Aken, M. A. (2014). A gentle

introduction to Bayesian analysis: Applications to research in child development. Child Development, 85, 842-860.

Yuan, K-H. & Bentler, P. M. (2007).

Figur

Tabel 1. Muatan Faktor Model Populasi
Tabel 1 Muatan Faktor Model Populasi . View in document p.8
Gambar 1. Bias pada Kondisi dengan ICC 0.05
Gambar 1 Bias pada Kondisi dengan ICC 0 05 . View in document p.9
Gambar 2. Bias pada Kondisi dengan ICC 0.10
Gambar 2 Bias pada Kondisi dengan ICC 0 10. View in document p.9
Gambar 3. Bias pada Kondisi Dengan ICC 0.15
Gambar 3 Bias pada Kondisi Dengan ICC 0 15 . View in document p.10
Gambar 4. Bias pada Kondisi dengan ICC 0.20
Gambar 4 Bias pada Kondisi dengan ICC 0 20 . View in document p.11
Gambar 5. Bias pada Kondisi dengan ICC 0.25
Gambar 5 Bias pada Kondisi dengan ICC 0 25 . View in document p.11

Referensi

Memperbarui...

Lainnya : 1